他预测2030年前出现AGI，却说深度学习不是终点

如果你以为AI的未来只是“更大的模型+更多算力”，那这期对话会让你彻底不安。ARC基准创始人François Chollet直言：AGI可能在2030年前出现，但它未必来自今天这条深度学习主干道。更重要的是，他已经在亲手搭一条“完全不同的路”。

“AGI 2030”：最炸裂的不是时间点，而是他的态度

对很多AI从业者来说，“AGI什么时候到来”是一个谨慎到近乎回避的问题。但François Chollet在节目一开场就把话挑明了：他认为AGI大概率会在2030年前后出现，可能和ARC-AGI第6或第7代基准发布的时间线重合。

真正让人坐不住的，是他紧接着说的那句话：“你不可能阻止AI进步，这件事已经太晚了。”在他看来，争论“要不要发展AI”已经没有意义，正确的问题只剩一个：当AI能力持续加速时，人类要如何利用它、驾驭它、站在浪尖上？

这不是乐观主义者的口号，而是一种冷静到近乎残酷的现实判断。AI不会等监管成熟，也不会等共识形成。它只会继续往前跑。

当整个行业都在“烧钱扩模型”，他选择反方向

如果你熟悉Chollet，就知道他并不是“反AI”，而是反对把希望全部押在深度学习的Scaling Laws上。在这次访谈中，他毫不客气地指出：整个行业正在向一个并不最优的方向砸下数百亿美金。

他正在做的事情，恰恰相反。

在他的新研究机构NDIA（访谈中多次提到），核心目标只有一个：构建一条“更接近最优解”的机器学习新分支。这条路不再完全依赖大规模梯度下降和海量数据，而是回到一个被长期边缘化的方向——程序合成（program synthesis）与符号方法。

Chollet的判断很直接：如果你的目标是真正的通用智能，而不是在固定分布上刷分，那么“纯深度学习”迟早会撞上天花板。

为什么ARC-AGI不是“刁钻测试”，而是一记警钟

很多人第一次接触ARC基准时，都会有一个误解：这是不是故意为难模型？Chollet在访谈里澄清了一个关键点——ARC测的不是知识量，而是效率和泛化能力。

从ARC v1开始，他就观察到一个耐人寻味的现象：当某些系统在ARC上的表现出现跃迁时，往往意味着新的能力结构正在浮现，而不仅仅是“参数更多了”。

到了v2，这种感觉更强烈；而即将到来的ARC-AGI v3，则把标准拉到了一个几乎让现有方法难以呼吸的高度：你必须匹配人类级别的学习效率。不是刷题，不是预训练，而是面对全新问题时，快速理解、快速适应。

这也是他反复强调的一点：智能的本质，不在于你见过多少样本，而在于你面对陌生事物时，能不能当场学会。

AI Agent的成功，恰恰暴露了LLM的边界

访谈中有一个非常尖锐的对比：为什么编码类Agent的进展如此明显，而法律、评估、复杂推理却举步维艰？

Chollet的解释并不讨好人：因为在某些领域，大语言模型刚好“踩中了结构红利”；但在更多需要真正理解、组合和抽象的任务上，它们的短板被无限放大。

这也是他对“只靠扩大模型规模、消除人类瓶颈”的LLM路线保持警惕的原因。短期内，它可能极具生产力；但长期来看，如果系统本身无法高效适应新问题，那么能力增长终究会放缓。

换句话说：Agent的成功不是终点，而是一面照妖镜。

给新一代研究者的潜台词：别去最拥挤的地方

在访谈的后段，当话题转向年轻研究者和开源项目时，Chollet的态度反而变得异常真诚。

他的建议几乎可以总结成一句“反主流”的话：如果你看到整个行业都在往一个方向冲，那恰恰说明，真正有价值的空间可能在别处。

NDIA的存在，本身就是这个理念的体现——不追逐短期指标，不迎合资本叙事，而是押注一个更慢、更难、但可能更接近智能本质的方向。

这对很多已经在LLM浪潮中感到焦虑的从业者来说，既是安慰，也是挑战。

总结

这场对话最重要的价值，不在于“AGI是不是2030到来”，而在于Chollet不断提醒我们的那件事：技术路线是可以、也应该被质疑的。当整个行业沉迷于规模和算力时，他选择重新定义“什么才算智能”。

对从业者来说，一个现实的takeaway是：别只盯着下一代模型参数有多大，开始认真思考——你的系统，面对从未见过的问题时，学得够不够快？如果答案是否定的，也许该抬头看看主流之外的那几条路了。

关键词： 通用人工智能， ARC-AGI， 深度学习瓶颈， 程序合成， AI Agent

事实核查备注： 需要核查：1）François Chollet关于AGI时间点“2030年前后”的原话语境；2）ARC-AGI v3对“人类级效率”的具体定义；3）NDIA的正式定位与研究方向描述；4）访谈中提到的ARC v1、v2性能跃迁是否有公开论文支持